Dream Labs capta US$ 90 milhões em rodada seed para levar a IA robótica a diferentes máquinas

Dream Labs, uma startup fundada por ex-pesquisadores de robótica da NVIDIA, captou US$ 90 milhões em uma rodada seed e lançou uma API pública para o Dream-1, um modelo desenvolvido para transferir habilidades entre diferentes robôs. A rodada foi liderada pela B Capital e pela Kindred Ventures, com participação da A.Capital, da Unusual Ventures e de outros investidores.

A empresa está enfrentando um gargalo dispendioso na robótica: uma máquina que aprende uma tarefa não transfere automaticamente esse conhecimento para outra máquina. A Dream Labs quer que os desenvolvedores comecem com um modelo compartilhado e, depois, o adaptem quando um robô ou uma aplicação específica exigir treinamento mais especializado.

O lançamento inclui uma API, um serviço de ajuste fino e o Robot Playground, acessível pelo navegador. Com ele, os usuários podem enviar instruções a robôs físicos no escritório da empresa em San Francisco. A Dream Labs afirma que os recursos captados serão destinados principalmente à capacidade computacional, à medida que a empresa amplia as capacidades e a capacidade do modelo.

Como o Dream-1 conecta vídeo a ações físicas

A Dream Labs chama o Dream-1 de Modelo de Ação do Mundo. Seu relato técnico sobre o lançamento descreve um sistema que prevê vídeo e ações em conjunto: antecipar como uma cena vai mudar está ligado a decidir o que um robô deve fazer em seguida.

Essa distinção é importante porque os corpos dos robôs variam. Comandos para as articulações que funcionam em um braço não necessariamente funcionarão em outro. Em vez disso, o Dream-1 pode prever as poses do efetuador final — a posição e a orientação desejadas de cada pinça, além de indicar se ela deve estar aberta ou fechada. O solucionador de cinemática inversa de cada robô traduz esses alvos em movimentos que as articulações da própria máquina conseguem executar.

Isso oferece uma interface comum para diferentes máquinas sem exigir que elas tenham hardware idêntico. O modelo usa três ângulos de câmera: um voltado para a cena e um em cada pulso. Sua representação de vídeo permite que ele processe braços e pinças com aparências distintas por meio do mesmo recurso visual.

Para os desenvolvedores, o produto transforma essa pesquisa em um fluxo de trabalho relativamente direto. O robô fornece imagens, seu estado atual e uma instrução para a tarefa; o modelo retorna ações. Os modelos são executados pelo serviço hospedado da Dream Labs, sem exigir que cada desenvolvedor crie e opere um modelo fundamental de robótica.

A transferência sem treinamento prévio tem um escopo definido

Atualmente, a capacidade de transferência sem treinamento prévio da empresa se concentra em robôs bimanuais com pinças paralelas: máquinas com dois braços e pinças simples, que abrem e fecham. Transferência sem treinamento prévio significa que o modelo pode tentar realizar tarefas em um robô desconhecido sem antes ser treinado com demonstrações daquela máquina específica.

A avaliação publicada pela Dream Labs testou 27 configurações robóticas inéditas em simulação, com 300 execuções por configuração. Os resultados foram apresentados em relação ao YAM, o robô usado para treinar o Dream-1. O desempenho variou bastante conforme o hardware, por isso a afirmação de destaque sobre a transferência entre robôs é mais útil quando considerada junto com os resultados detalhados.

Essas pontuações relativas não devem ser confundidas com as taxas absolutas de sucesso nas tarefas. Tampouco a transferência de uma política para outro robô demonstra que ele realizará todas as tarefas de forma confiável. A página de pesquisa distingue separadamente a conclusão integral da tarefa do progresso parcial nas avaliações.

A interface de controle também traz algumas concessões. Prever o destino de uma pinça não determina por completo o trajeto que um braço percorre para chegar até ele. Obstáculos, limites das articulações e a qualidade do solucionador de cinemática inversa do robô podem afetar o desempenho. Robôs com espaços de trabalho ou dinâmicas muito diferentes podem revelar outras lacunas entre a previsão do modelo e o que o hardware consegue fazer fisicamente.

O ajuste fino oferece um caminho além do desempenho inicial

O serviço de ajuste fino da Dream Labs oferece outra opção aos desenvolvedores quando o modelo geral não é suficiente. Eles podem enviar demonstrações feitas com seu próprio robô e receber um modelo adaptado, em vez de iniciar um projeto de treinamento do zero.

A empresa apresenta exemplos de adaptação com cinco minutos de dados específicos do robô, além de exemplos que exigem muito mais dados para efetuadores finais desconhecidos. Essas demonstrações ilustram a variedade de necessidades de adaptação; não estabelecem uma exigência universal de cinco minutos de treinamento.

Essa é uma distinção prática importante. Um modelo compartilhado pode reduzir o trabalho inicial necessário para colocar um robô em movimento, mas ainda pode ser preciso usar dados específicos da tarefa para tornar seu comportamento útil em uma aplicação particular. A Dream Labs reconhece que os modelos adaptados ainda superam a operação sem treinamento prévio.

A página de pesquisa informa um custo de inferência de US$ 3 por hora para o Dream-1 e de US$ 2 por hora para a versão mais leve, Dream-1-flash. Cada chamada ao modelo retorna 1,6 segundo de ações. Hardware, integração e eventuais custos adicionais de serviço continuam sendo fatores a considerar na avaliação do custo de uma implantação.

Das demonstrações de pesquisa ao trabalho repetível

A equipe da startup trabalhou anteriormente no DreamZero e na pesquisa de robótica GR00T da NVIDIA. Com o Dream-1, a empresa transforma essa pesquisa em um serviço que os desenvolvedores podem testar em suas próprias máquinas.

O acesso é uma parte importante do anúncio. Uma API pública permite que fabricantes de robôs e equipes menores avaliem diretamente o comportamento, inclusive os casos em que ele falha, em vez de dependerem apenas de demonstrações selecionadas. O Playground ao vivo oferece uma introdução mais acessível para quem não tem um robô.

O Dream-1 continua em fase beta de pesquisa, e a Dream Labs afirma que ele não foi validado para uso em aplicações críticas para a segurança. Seu foco atual é a manipulação com sistemas de dois braços e garras paralelas; ampliar o suporte a robôs móveis e hardware para tarefas de destreza continua sendo parte do trabalho de desenvolvimento.

A questão comercial é saber se um modelo que pode ser transferido entre máquinas também consegue oferecer desempenho consistente em tarefas que as pessoas pagariam para automatizar. A rodada de US$ 90 milhões dá à Dream Labs recursos para perseguir esse objetivo. O teste mais importante será avaliar de quantos dados personalizados e de quanto trabalho de engenharia os desenvolvedores ainda precisarão depois de conectar um novo robô.